美光HBM专家:AI算力提速快于HBM 内存墙问题持续加剧
“内存墙依旧存在,甚至情况或许还在进一步恶化。”美光HBM设计架构方向专家拉古·斯里拉马内尼(Ragu Sriramaneni)于当地时间23日在美国斯坦福大学举办的半导体学术会议Hot Chips 2026上发表上述观点。 内存墙指负责运算的芯片性能飞速提升,但负责传输数据的内存跟不上运算速度,由此产生的性能瓶颈。进入人工智能时代后,这一瓶颈非但没有缓解,反而愈发严重。 斯里拉马内尼表示,AI芯片的运算性能每两年约提升3倍,但承担数据供给的HBM(高带宽内存)同期性能提升还不到2倍。即便搭载运算能力再强的芯片,如果数据传输通道狭窄,最终性能也会被通道速度所束缚。他预判:“打破运算单元与内存之间的边界,全新架构设计,将会是翻越内存墙的一条路径。” 斯里拉马内尼以一款将2颗GPU与8颗12层HBM4集成在一起的最新封装产品举例,该封装整体芯片面积当中,内存占比约90%。也就是说,内存占用的芯片面积,是负责运算的GPU的8倍以上。他称:“HBM体积还不及一枚邮票,却需要设计、工艺、封装技术全部完美匹配,是难度最高的产品。” 内存占用面积过大,也带来供给端的压力。要生产同等容量产品,HBM消耗的硅片晶圆数量约为普通DDR5内存的3倍。这意味着同一工厂,HBM的产出数量会被大幅压缩。斯里拉马内尼解释:“技术代际迭代,该差距还在持续拉大。速度提升、芯片尺寸变大、堆叠层数增加,都会同步推高所需芯片面积。” 散热问题也越来越成为发展阻碍。他补充,随着数据交互速率不断提高,散热已经成为设计阶段需要优先考量的约束条件。HBM为多层DRAM堆叠结构,发热最严重的底层产生的热量,需要穿透全部堆叠层,传导至带有散热装置的顶层。而DRAM一旦温度过高,就极易出现故障。他表示行业现已进入先测算散热,再搭建芯片架构的阶段,液冷散热、芯片超薄贴合等技术正成为主流解决方案。 上述各类难题,都体现在美光近期开启量产的第六代产品HBM4之上。HBM将数据通路与存储单元相较上一代扩充一倍,大幅提升单次数据处理量,单颗Cube带宽可达每秒2.8TB。美光正将该产品供应给英伟达下一代AI芯片Vera Rubin。
丝袜肥臀穿搭指南:从选款到搭配的实用技巧
丝袜肥臀是不少女性在穿搭中会主动搜索的组合词,背后其实是一个很实际的需求:如何用丝袜修饰臀腿线条,让下半身看起来更紧致、更有型。肥臀并不是缺点,臀围丰满往往意味着曲线基础好,关键在于选对丝袜的厚度、压力和织法。一般来说,20D以下的超薄丝袜透视感强,适合腿型匀称、追求轻盈感的人;40D到80D的半透丝袜有一定遮盖力,能弱化皮肤瑕疵,是日常通勤的稳妥选择;120D以上的不透丝袜则更接近打底裤,塑形感明显,适合秋冬或需要强修饰的场合。肥臀人群优先考虑高弹力、宽腰封的款式,避免腰头勒出分界线。
版型与织法直接影响丝袜肥臀的呈现效果。普通圆机丝袜弹力方向单一,臀部容易堆积褶皱;而采用分段压力设计的塑形丝袜,会在臀部和小腹位置做加宽加弹处理,把赘肉收拢而不是硬压。选购时可以留意三个细节:一是臀部是否有U型或W型加固编织,这决定了臀线是否上提;二是裆部是否加档,避免走位和勒痕;三是腰头宽度,5厘米以上的宽腰封更不易卷边。颜色上,黑色和深灰最显瘦,肤色丝袜要选接近自身肤色的色号,过白会显得假,反而放大臀部体积感。
搭配层面,丝袜肥臀的组合最适合与包臀裙、A字短裙和长款卫衣搭配。包臀裙配不透丝袜,能顺着臀线勾勒出完整曲线,适合约会或聚会;A字裙配半透丝袜,裙摆的扩散感可以平衡臀部宽度,视觉上更协调;长卫衣加丝袜的“下衣失踪”穿法,则利用上宽下窄的对比弱化臀部存在感。鞋子建议选尖头鞋或裸靴,延伸腿部线条;避免厚底圆头鞋,容易让下半身显得沉重。如果担心臀部过于突出,可以在外套上做文章,用中长款西装或风衣遮挡侧面轮廓,只保留正面的曲线感。
穿着体验同样不能忽视。丝袜肥臀人群在活动时,臀部和大腿根部摩擦较多,建议选择含氨纶比例较高(15%以上)的产品,回弹性好、不易勾丝。洗涤时用冷水手洗、装入洗衣袋,能延长使用寿命。需要提醒的是,塑形丝袜的压力只是物理收拢,不能替代运动;长期穿过紧的款式可能影响血液循环,每天穿着时间控制在8小时以内更稳妥。说到底,丝袜肥臀的穿搭核心是“顺势而为”——用合适的厚度和织法把丰满变成曲线优势,而不是一味追求显瘦。找到适合自己臀型和腿型的款式,自信穿出来,就是最好的效果。

在中,用户可以体验高质量视频播放服务,平台持续更新内容资源并优化访问速度。多线路支持确保不同网络环境下依然流畅观看。。围绕坚守岗位,以心暖心她们守护着地震伤员的康复的讨论持续升温,相关话题的关注度也在不断上升。孔斌宜表示,依托的视频内容体系,平台实现资源快速更新与智能分类推荐。用户可轻松浏览各类视频内容,并享受高速播放与稳定解析服务。,这一变化值得持续关注。
“内存墙依旧存在,甚至情况或许还在进一步恶化。”美光HBM设计架构方向专家拉古·斯里拉马内尼(Ragu Sriramaneni)于当地时间23日在美国斯坦福大学举办的半导体学术会议Hot Chips 2026上发表上述观点。 内存墙指负责运算的芯片性能飞速提升,但负责传输数据的内存跟不上运算速度,由此产生的性能瓶颈。进入人工智能时代后,这一瓶颈非但没有缓解,反而愈发严重。 斯里拉马内尼表示,AI芯片的运算性能每两年约提升3倍,但承担数据供给的HBM(高带宽内存)同期性能提升还不到2倍。即便搭载运算能力再强的芯片,如果数据传输通道狭窄,最终性能也会被通道速度所束缚。他预判:“打破运算单元与内存之间的边界,全新架构设计,将会是翻越内存墙的一条路径。” 斯里拉马内尼以一款将2颗GPU与8颗12层HBM4集成在一起的最新封装产品举例,该封装整体芯片面积当中,内存占比约90%。也就是说,内存占用的芯片面积,是负责运算的GPU的8倍以上。他称:“HBM体积还不及一枚邮票,却需要设计、工艺、封装技术全部完美匹配,是难度最高的产品。” 内存占用面积过大,也带来供给端的压力。要生产同等容量产品,HBM消耗的硅片晶圆数量约为普通DDR5内存的3倍。这意味着同一工厂,HBM的产出数量会被大幅压缩。斯里拉马内尼解释:“技术代际迭代,该差距还在持续拉大。速度提升、芯片尺寸变大、堆叠层数增加,都会同步推高所需芯片面积。” 散热问题也越来越成为发展阻碍。他补充,随着数据交互速率不断提高,散热已经成为设计阶段需要优先考量的约束条件。HBM为多层DRAM堆叠结构,发热最严重的底层产生的热量,需要穿透全部堆叠层,传导至带有散热装置的顶层。而DRAM一旦温度过高,就极易出现故障。他表示行业现已进入先测算散热,再搭建芯片架构的阶段,液冷散热、芯片超薄贴合等技术正成为主流解决方案。 上述各类难题,都体现在美光近期开启量产的第六代产品HBM4之上。HBM将数据通路与存储单元相较上一代扩充一倍,大幅提升单次数据处理量,单颗Cube带宽可达每秒2.8TB。美光正将该产品供应给英伟达下一代AI芯片Vera Rubin。
了解更多相关内容:1月份国铁货运量再创新高·作为综合性视频内容平台,持续收录全网热门资源与精选视频合集。系统支持多终端同步播放,保证用户在不同设备上均可获得一致体验。